Dyna Robotics发布机器人基础模型DYNA-2：仅用100万小时人类视频训练，成功率从20%飙升至90%

美国机器人公司 Dyna Robotics 于本周一发布了新一代机器人基础模型 DYNA-2。该公司称，该模型完全基于超过一百万小时的人类视频进行训练，未使用任何机器人数据。Dyna Robotics 认为，这一路径有望解决制约通用机器人发展的成本问题。

机器人制造商为何总缺训练数据？

构建通用机器人面临的一个普遍难题是数据获取。大多数机器人依赖遥操作学习，即人工远程引导机器人数小时完成特定任务。这种方式缓慢、昂贵且难以规模化，限制了系统的能力上限。Dyna 的解决方案是在训练阶段完全绕开机器人。DYNA-2 仅使用第一视角人类视频——即从人眼角度记录与物体互动的画面——进行训练。公司表示，这些视频累计相当于约 170 年的持续经验。联合创始人 Jason Ma 解释说：“动作数据稀缺，但视频无处不在。”他认为物理直觉可以直接从人类视频中学习，而无需让机械臂耗费数百万小时。

效果方面，在高精度制造任务中，DYNA-2 的成功率从 20% 提升至 80% 至 90%。Dyna 将这一提升归功于大规模预训练。在 15 项基准测试中，使用更多人类视频训练的模型始终优于使用较少视频的模型。

世界-行动模型有何不同？

Dyna 的特殊之处在于其独特的架构。DYNA-2 并非采用视觉语言模型，而是基于视频生成的世界-行动模型。预训练时，它同时预测下一帧视频和下一个动作。Dyna 表示，这种双重目标让模型内在地理解接触物理和空间推理。公司希望人类视频中习得的知识能迁移到不同类型的机器人上，例如固定机械臂、人形原型和灵巧手，尽管这些设备并未参与预训练。适应新平台只需数小时微调，而非数周数据收集。例如，Dyna 报告称，仅用 13 分钟数据，机器手就学会了拧开瓶盖。

计划扩展至 1000 万小时

Dyna 已有机器人在真实场景中运行，这使其区别于其他机器人公司。DYNA-1 机器人已应用于酒店、餐厅、洗衣房和健身房等场所。公司由 Lindon Gao、York Yang 和 Jason Ma 联合创立，三人此前曾在 DeepMind 任职。Dyna 的公开计划是将同样的方法扩展至 1000 万小时的视频数据，并将其定义为一个“数据收集问题”而非“机器人制造问题”。